Fugu-MT 論文翻訳(概要): What Streaming Anomaly Detection Finds (and Misses) in Industrial Time Series

論文の概要: What Streaming Anomaly Detection Finds (and Misses) in Industrial Time Series

arxiv url: http://arxiv.org/abs/2609.39232v1
Date: Wed, 30 Sep 2026 08:04:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-01 18:57:27.423945
Title: What Streaming Anomaly Detection Finds (and Misses) in Industrial Time Series
Title（参考訳）: 産業時系列におけるストリーミング異常検出の発見(と失敗)
Abstract要約: 我々は、実際の原子力発電所のデータセット上にオンラインにデプロイされた最先端のTSADモデルとストリーミング手法を比較した。その結果、オンラインTSADの一貫性が向上し、アンサンブル戦略による堅牢性が向上した。
参考スコア（独自算出の注目度）: 2.9903776166764984
License: http://creativecommons.org/licenses/by/4.0/
Abstract: EDF relies on continuous monitoring of its power plants to detect anomalies as soon as they occur. Given the absence of a universally optimal streaming method in unsupervised settings, we compare streaming methods with state-of-the-art TSAD models deployed online on a real nuclear power plant dataset. This work also evaluates Automated Anomaly Detection in a streaming context. Results show higher consistency for online TSAD and strong robustness from ensembling strategies.
Abstract（参考訳）: EDFは、異常が発生したらすぐに異常を検出するために、発電所の継続的な監視に依存している。教師なしの設定において、普遍的に最適なストリーミング手法が存在しないことを考慮し、実際の原子力プラントデータセットにオンラインにデプロイされた最先端のTSADモデルと比較する。この研究はストリーミングコンテキストにおける自動異常検出についても評価する。その結果、オンラインTSADの一貫性が向上し、アンサンブル戦略による堅牢性が向上した。

関連論文リスト

In a Streaming World, Should You Stand Still? A Comprehensive Benchmark of Anomaly Detection in Streams [2.8221337927464547]
時系列異常検出(TSAD)は、データが順次到着し、非定常性を示すようなストリーミング設定にますますデプロイされている。ストリーミング評価ベンチマークにおいて,ストリーミング法と静的TSAD法を比較した大規模な実験を行った。以上の結果から,静的TSAD法は,一般的な仮定とは対照的に,ほとんどのストリーミング環境においてストリーミング手法よりも有意に優れていた。
論文参考訳（メタデータ） (2026-09-30T07:56:52Z)
Contamination Detection for VLMs using Multi-Modal Semantic Perturbation [73.76465227729818]
オープンソースのVision-Language Models (VLM)は、ベンチマークタスクで最先端のパフォーマンスを達成した。プレトレーニングコーパスは,テストセットリークによるパフォーマンスの低下という,実践者とユーザ双方にとって重要な懸念を提起する。既存の検出手法が不整合性を示すか,不整合性を示すかを示す。マルチモーダルなセマンティック摂動に基づく,新しい簡易かつ効果的な検出法を提案する。
論文参考訳（メタデータ） (2025-11-05T18:59:52Z)
Detection of False Data Injection Attacks (FDIA) on Power Dynamical Systems With a State Prediction Method [8.942515834006857]
偽データインジェクション攻撃(FDIA)はサイバーセキュリティの懸念が高まっている。それらは、周波数安定性のようなシステムの安定性を損なう可能性があり、破滅的な失敗につながる。 FDIA検出法は電力系統を保護するのに有用であろう。適切な検出方法は、電力力学予測を利用して、そのような誤差がFDIAによって引き起こされたかどうかを判別することができる。
論文参考訳（メタデータ） (2024-09-06T20:47:21Z)
An Unsupervised Adversarial Autoencoder for Cyber Attack Detection in Power Distribution Grids [0.0]
本稿では,不均衡配電系統における偽データインジェクション攻撃(FDIA)を検出するために,教師なし対向オートエンコーダ(AAE)モデルを提案する。提案手法は,オートエンコーダの構造における長期記憶(LSTM)を用いて,時系列計測における時間依存性をキャプチャする。 IEEE 13-bus と 123-bus で、歴史的気象データと歴史的実世界の負荷データを用いてテストされている。
論文参考訳（メタデータ） (2024-03-31T01:20:01Z)
DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文参考訳（メタデータ） (2023-03-15T16:14:06Z)
Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文参考訳（メタデータ） (2022-08-31T18:19:25Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
Autonomous Deep Quality Monitoring in Streaming Environments [18.354025162625557]
本稿では,最近開発されたデータストリームのためのディープラーニングアルゴリズムであるNADINE++を用いて,オンライン品質モニタリング手法を提案する。これは1次元と2次元の畳み込み層を統合し、我々のプロジェクトからセンサーや射出成形機のカメラから捉えた時系列と視覚データの流れの自然な特徴を抽出する。実時間実験では, オンライン品質モニタリングタスクを, 実時間テスト-then-train方式でリアルタイムでシミュレートした。
論文参考訳（メタデータ） (2021-06-26T06:47:41Z)
Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
論文参考訳（メタデータ） (2020-11-05T11:34:12Z)
Machine Learning Methods for Monitoring of Quasi-Periodic Traffic in Massive IoT Networks [30.71111490861155]
準周期アプリケーションを実行するIoTデバイスのトラフィックモデルを提案する。我々は、IoTデプロイメントのネットワークパフォーマンスを監視するために、教師付きと教師なしの両方の機械学習手法を提案する。
論文参考訳（メタデータ） (2020-02-04T21:42:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。